【学习笔记】混淆矩阵

混淆矩阵(Confusion Matrix),又称为错误矩阵,是一种特别适用于监督学习中分类问题评估模型性能的工具。在机器学习领域,混淆矩阵能够清晰地显示算法模型的分类结果和实际情况之间的差异,常用于二分类和多分类问题。

一个基本的二分类混淆矩阵包含四个部分:

  1. 真正类(True Positive, TP):模型正确预测为正类的样本数。
  2. 假正类(False Positive, FP):模型错误预测为正类的样本数,实际上它们是负类。
  3. 真负类(True Negative, TN):模型正确预测为负类的样本数。
  4. 假负类(False Negative, FN):模型错误预测为负类的样本数,实际上它们是正类。

混淆矩阵通常以表格形式表示,对于二分类问题,其形式如下:

通过混淆矩阵,我们可以计算出多种性能指标来评估分类模型的性能,如准确率(Accuracy)、精确率(Precision)、召回率(Recall)或者真正率(True Positive Rate,TPR)、假正率(False Positive Rate,FPR)以及F1分数等。

准确率(Accuracy)是最直观的性能指标,计算公式为:
A c c u r a c y = T P + T N T P + T N + F P + F N Accuracy = \frac {TP + TN} {TP + TN + FP + FN} Accuracy=TP+TN+FP+FNTP+TN

精确率(Precision)关注的是预测为正类的样本中有多少是真正的正类,计算公式为:
P r e c i s i o n = T P T P + F P Precision = \frac {TP }{TP + FP} Precision=TP+FPTP

召回率(Recall)或真正率(TPR)关注的是所有真正的正类样本中有多少被模型预测为正类,计算公式为:
R e c a l l = T P T P + F N Recall = \frac {TP}{TP + FN} Recall=TP+FNTP

F1分数是精确率和召回率的调和平均值,计算公式为:
F 1 = 2 ∗ ( P r e c i s i o n ∗ R e c a l l ) P r e c i s i o n + R e c a l l F1 = \frac {2 * (Precision * Recall) }{Precision + Recall} F1=Precision+Recall2∗(Precision∗Recall)

对于多分类问题,混淆矩阵会更大,每一行代表实际类别,每一列代表预测类别,但计算各项指标的原理与二分类问题相同。

混淆矩阵的优点在于它不仅提供了错误分类的数量,还告诉我们哪些类别的预测错误最多,这对于改进分类算法和模型调优非常有帮助。

相关推荐
Code_流苏21 分钟前
AI知识补全(十四):零样本学习与少样本学习是什么?
人工智能·元学习·少样本学习·零样本学习·语义嵌入
Yvette-W24 分钟前
ChatGPT 迎来 4o模型:更强大的图像生成能力与潜在风险
人工智能·chatgpt
Shockang24 分钟前
机器学习的一百个概念(5)数据增强
人工智能·机器学习
洁洁!27 分钟前
数据采集助力AI大模型训练
前端·人工智能·easyui
cwtlw32 分钟前
PhotoShop学习03
笔记·学习·photoshop
平平无奇科研小天才34 分钟前
scGPT环境安装
人工智能
xcLeigh41 分钟前
计算机视觉入门:从像素到理解的旅程
人工智能·python·opencv·计算机视觉
喾颛顼1 小时前
Mac下小智AI本地环境部署
人工智能·经验分享·macos
艾鹤1 小时前
ollama安装与使用
人工智能·llama
最新快讯1 小时前
科技快讯 | 中国首款全自研高性能RISC-V服务器芯片发布;亚马逊推出Nova Act跻身AI智能体赛道
人工智能·科技